Gemini Robotics On-Device 2
Gemini Robotics On-Device 2は、ロボット上でのローカル実行に最適化された視覚・言語・行動(VLA)モデルです。Gemini Robotics 1.5の技術とオンデバイスGemmaモデルを基盤とし、汎用的なロボット操作を目的としています。(deepmind.google) テキストの指示、画像、数値化されたロボットの自己受容情報を入力し、ロボットの行動を数値として出力します…
モデルディレクトリ
新しいモデルを公開日順に見つけられます。
Gemini Robotics On-Device 2は、ロボット上でのローカル実行に最適化された視覚・言語・行動(VLA)モデルです。Gemini Robotics 1.5の技術とオンデバイスGemmaモデルを基盤とし、汎用的なロボット操作を目的としています。(deepmind.google) テキストの指示、画像、数値化されたロボットの自己受容情報を入力し、ロボットの行動を数値として出力します…
ロボット向けの身体性推論を行う視覚言語モデル(VLM)のプレビュー版。Live API を使ったリアルタイムの双方向ストリーミングと、低遅延のロボットエージェント向けに最適化されている。2026年7月30日に公開プレビューとして提供開始。(aistudio.google.com) テキスト、画像、動画、音声を入力し、テキストを出力する。関数呼び出し、推論、Google 検索によるグラウンディングに…
ロボット向けの具身推論に特化した、Gemini 3.5 Flashベースの視覚言語モデルです。物理環境の理解、空間・時間推論、複数段階のタスクやツールの調整を支援します。(ai.google.dev) テキスト、画像、動画、音声を入力し、テキストを出力します。入力上限は131,072トークン、出力上限は65,536トークンです。 空間推論、動画内の場面検索や進捗分類、成功検出、計器の読み取り、複数…
Gemini Robotics 2は、視覚と言語の入力をロボットの動作制御に変換する視覚・言語・行動モデル(VLA)です。ヒューマノイドの全身や双腕ロボットを制御し、手やグリッパーを使った操作を行います。2026年7月30日に発表されました。 (deepmind.google) 全身制御:歩く、しゃがむ、手を伸ばす、物を持ち上げるといった動作を組み合わせ、散らかった空間での片付けなどに利用できます…
Alibabaの短い音声向け非リアルタイム音声認識モデル。音声を入力し、文字起こしテキストを出力する。公開日は2026年7月30日。(alibabacloud.com) 日本語、中国語、英語、韓国語を含む30言語に対応。中国語の主要方言や地域アクセントにも対応する。 ホットワードとコンテキストによる専門用語の認識支援、句読点予測、数字・日付・金額の表記正規化に対応。中国古典詩の認識も最適化されてい…
録音済みの長時間音声・動画ファイルを非リアルタイムで文字起こしする音声認識モデル。入力は音声、出力はテキスト。通常は非同期タスクを送信し、完了後に結果を取得する。(alibabacloud.com) 中国語、英語、日本語、韓国語などに対応し、中国語の方言や地域アクセントも認識する。ホットワードと文脈を指定して、専門用語などの認識を補強できる。句読点の予測や、数字・日付・金額の正規化にも対応する。(…
通義実験室が開発した、低遅延・高並行のリアルタイム音声認識モデル。音声を入力し、認識したテキストを逐次出力する。Alibaba Cloud Model Studioで提供される。(alibabacloud.com) 中国語、英語、日本語、韓国語など30言語に対応。中国語の7方言群と20以上の地域アクセントをサポートする。 事前登録・即時指定のホットワードとコンテキストを利用でき、専門用語の認識を強…